考虑多维驾驶特性的制动反应时间预测模型

doi:10.19562/j.chinasae.qcgc.2021.11.014

摘要/Abstract

摘要：

为了准确预测驾驶人的制动反应时间，建立了考虑差异化驾驶人特性的制动反应时间预测模型。以多种次任务驾驶行为作为差异化驾驶人特性的诱导因素设计了试验，在封闭的城市道路展开了实车试验并采集了制动反应时间数据，以自报式信息采集法获取了受试者的多维度驾驶特性变量数据，使用结构方程模型解构制动反应时间的影响因素并以路径系数优化BP神经网络权值，建立了基于SEM-BP神经网络的驾驶人制动反应时间预测模型。验证和测试结果表明，所提出的制动反应时间预测模型总体的回归R值大于0.9，总误差为0.032 4，有更好的预测精度和拟合性能，能够在考虑驾驶人多维度特性的同时降低网络收敛不稳定导致鲁棒性差的问题。

关键词: 交通工程, 汽车人因工程, 制动反应时间, 驾驶人特性, 结构方程模型, BP神经网络

Abstract:

In order to accurately predict the driver's braking reaction time （BRT）， a BRT prediction model based on the characteristics of differentiated drivers is built. The experiment is designed with multi task driving behavior as the inducing factors of differentiated driver characteristics， then the real vehicle experiment is carried out on closed urban road and the BRT data is collected. The drivers' multi-dimensional driving characteristics variable data is obtained by the self-reported information collection method. The structural equation model （SEM） is used to deconstruct the influencing factors of BRT and the path coefficients are used to optimize the weights of back propagation neural network （BPNN）. Finally， a prediction model of BRT based on SEM-BPNN is established. The verification and test results show that the overall regression R value of the proposed BRT prediction model is greater than 0.9 and the total error is 0.032 4. It has better prediction accuracy and fitting performance， moreover， it can reduce the problem of poor robustness caused by unstable network convergence while considering the multi-dimensional characteristics of drivers.

Key words: traffic engineering, automotive human factors engineering, breaking reaction time, driver characteristics, structural equation model, BP neural network

郭柏苍,谢宪毅,金立生,戎辉,贺阳,纪丙东. 考虑多维驾驶特性的制动反应时间预测模型[J]. 汽车工程, 2021, 43(11): 1683-1692.

Baicang Guo,Xianyi Xie,Lisheng Jin,Hui Rong,Yang He,Bingdong Ji. Braking Response Time Prediction Model Based on Multi-dimensional Driving Characteristics[J]. Automotive Engineering, 2021, 43(11): 1683-1692.

图/表 18

图1

图2

图3

图4

图5

表1

表2

表3

图6

图7

表4

表5

图8

图9

表6

图10

图11

图12

参考文献 28

1	CHOUDHARY P， VELAGA N R. Modelling driver distraction effects due to mobile phone use on reaction time［J］. Transportation Research Part C： Emerging Technologies， 2017， 77（77）： 351-365.
2	EDQUIST J ， RUDIN-BROWN C M ， LENNE M G . The effects of on-street parking and road environment visual complexity on travel speed and reaction time［J］. Accident Analysis & Prevention， 2012， 45：759-765.
3	朱西产，魏昊舟，马志雄.基于自然驾驶数据的跟车场景潜在风险评估［J］.中国公路学报，2020，33（4）：169-181.
	ZHU Xichan， WEI Haozhou， MA Zhixiong. Assessment of the potential risk in car-following scenario based on naturalistic driving data［J］. China Journal of Highway and Transport，2020，33（4）：169-181.
4	吕能超，任泽远，段至诚，等. Near-crash事件中驾驶人行为特征分析［J］.中国安全科学学报，2017，27（6）：19-24.
	LV Nengchao， REN Zeyuan， DUAN Zhicheng， et al. Analysis of driving behavior characteristics of drivers in near-crash events［J］. China Safety Science Journal，，2017， 27（6）： 19-24.
5	郑刚，俎兆飞，孔祚. 基于驾驶员反应时间的自动紧急制动避撞策略［J］. 重庆理工大学学报（自然科学），2020，34（12）： 45-52．
	ZHENG Gang， ZU Zhaofei， KONG Zuo. The collision avoidance strategy of automatic emergency braking system considering the response time of the driver［J］. Journal of Chongqing University of Technology （Natural Science）， 2020， 34（12）： 45-52．
6	吴斌，朱西产，沈剑平.基于自然驾驶数据的驾驶员紧急制动行为特征［J］.同济大学学报（自然科学版），2018，46（11）：1514-1519，1535.
	WU Bin， ZHU Xichan， SHEN Jianping. Driver emergency braking behavior based on naturalistic driving data［J］. Journal of Tongji University（Natural Science）， 2018，46（11）：1514-1519，1535.
7	SHEVTSOVA A， NOVIKOV I， BOROVSKOY A. Research of influence of time of reaction of the driver on the calculation of the capacity of the highway［J］. Transport Problems， 2015， 10（3）：53-59.
8	林庆峰，王兆杰，鲁光泉.L3级自动驾驶汽车的接管安全性评价模型［J］.汽车工程，2019，41（11）：1258-1264.
	LIN Qingfeng， WANG Zhaojie， LU Guangquan. Takeover safety evaluation model for level 3 automated vehicles［J］. Automotive Engineering，2019，41（11）：1258-1264.
9	SENA P， d’AMORE M， BRANDIMONTE M A， et al. Experimental framework for simulators to study driver cognitive distraction： brake reaction time in different levels of arousal［J］. Transportation Research Procedia， 2016， 14： 4410-4419.
10	GREEN M. " How long does it take to stop？" Methodological analysis of driver perception-brake times［J］. Transportation Human Factors， 2000， 2（3）： 195-216.
11	何莎，闫学东，庞洪涛，等. 雾天对驾驶行为的影响研究——避撞驾驶行为［J］. 交通信息与安全， 2014， 32（5）：126-129.
	HE S， YAN X， PANG H， et al. Driving behaviors——crash avoidance driving behaviors ［J］. Journal of Transport Information and Safety， 2014， 32（5）：126-129.
12	菅美英，石京.老年驾驶员跟驰行为及影响因素研究［J］.中国安全科学学报，2017，27（6）：25-30.
	JIAN Meiying， SHI Jing. Study on older drivers' car following behavior and influencing factors［J］. China Safety Science Journal， 2017， 27（6）： 25-30.
13	刘通，付锐，马勇，等.考虑驾驶人风格的跟车预警规则研究［J］.中国公路学报，2020，33（2）：170-180.
	LIU Tong， FU Rui， MA Yong， et al. Car-following warning rules considering driving styles［J］. China Journal of Highway and Transport， 2020，33（2）：170-180.
14	李霖，朱西产，董小飞，等. 自主紧急制动系统避撞策略的研究［J］.汽车工程，2015，37（2）：168-174.
	LI Lin， ZHU Xichan， DONG Xiaofei， et al. A research on the collision avoidance strategy for autonomous emergency braking system［J］. Automotive Engineering， 2015， 37（2）： 168-174.
15	MEHMOOD A， EASA S M. Modeling reaction time in car-following behaviour based on human factors［J］. International Journal of Applied Science， Engineering and Technology， 2009， 5（14）： 93-101.
16	SUMMALA H. Brake reaction times and driver behavior analysis［J］. Transportation Human Factors， 2000， 2（3）： 217-226.
17	张卓鹏. 基于驾驶行为的车车协同防撞预警方法研究［D］.重庆：重庆邮电大学，2020.
	ZHANG Zhuopeng. Research on vehicle cooperative collision warning method based on driver behavior［D］.Chongqing： Chongqing University of Posts and Telecommunications，2020.
18	KIDD D G， BUONAROSA M L. Distracting behaviors among teenagers and young， middle-aged， and older adult drivers when driving without and with warnings from an integrated vehicle safety system［J］. Journal of Safety Research， 2017， 61： 177-185.
19	GUO B， JIN L ， SHI J， et al. A risky prediction model of driving behaviors： especially for cognitive distracted driving behaviors［C］. 2020 4th CAA International Conference on Vehicular Control and Intelligence （CVCI）. 2020.
20	LIKERT R. A technique for the measurement of attitudes［J］. Archives of Psychology， 1932.
21	卢守峰，刘改红，刘喜敏.引入期望速度的交通流中观模型研究［J］.交通运输系统工程与信息，2013，13（2）：81-89.
	LU Shoufeng， LIU Gaihong， LIU Ximin. A traffic kinetic model considering desired speed［J］. Journal of Transportation Systems Engineering and Information Technology，2013，13（2）：81-89.
22	袁伟，付锐，马勇，等.基于高速实车驾驶数据的驾驶人跟车模型研究［J］.汽车工程，2015，37（6）：679-685.
	YUAN W， FU R， MA Y， et al. A study on driver's vehicle——following model based on high speed real driving data［J］. Automotive Engineering， 2015， 37（6）： 679-685.
23	杨俊儒. 考虑人车路耦合的车速自适应决策控制研究［D］.武汉：武汉理工大学，2019.
	YANG Junru. Research on vehicle speed adaptive decision control considering human-vehicle-road coupling［D］. Wuhan： Wuhan University of Technology，2019.
24	HE Yi， SUN Changxin， HUANG Helai，et al. Safety of micro-mobility： riders’ psychological factors and risky behaviors of cargo TTWs in China［J］. Transportation Research Part F： Psychology and Behaviour，2021，80.
25	吴明隆. 结构方程模型--Amos的操作与应用［M］. 2版. 重庆：重庆大学出版社， 2017.
	WU Minglong. Structural equation model--operation and application of Amos［M］. 2nd ed. Chongqing： Chongqing University Press， 2017.
26	TENENHAUS M， VINZI V E， CHATELIN Y M， et al. PLS path modeling［J］. Computational Statistics & Data Analysis， 2005， 48（1）： 159-205.
27	JIN L， GUO B， JIANG Y， et al. Analysis on the influencing factors of driving behaviours based on theory of planned behavior［J］. Advances in Civil Engineering， 2020， 2020.
28	秦伟，徐国艳，余贵珍.基于BP神经网络的汽车车载称重系统研究［J］.汽车工程， 2017，39（5）：599-605.
	QIN Wei， XU Guoyan， YU Guizhen. A research on vehicle on-board weighing system based on BP neural network［J］. Automotive Engineering， 2017， 39（5）： 599-605.

项目	显变量	选项	描述	项目	显变量	选项	描述
生理属性	视力	差不良正常远视超远视	<0.6 0.8 1.0 1.2 >1.5	驾驶负荷	行为负荷量	低负荷较低负荷中负荷较高负荷高负荷	使用文献［19］的改进版NASA-TLX驾驶负荷评价方法计算得到。
生理属性	年龄/岁	18-25 26-35 36-45 46-55 >56	- - - - -		心理占用量	专注驾驶低风险心理类中风险心理类较高风险心理类高风险心理类	对应于1.3节分心驾驶行为类型。
驾驶经验	驾龄/年	<1 2-5 6-10 11-20 >21	- - - - -		动作占用量	专注驾驶低风险动作类中风险动作类较高风险动作类高风险动作类	使用文献［19］的风险驾驶行为类型设计方法与试验方案。
	驾驶里程/万km	低较低中较高高	<0.5 0.5-1 1-3 3-5 >5	期望	速度期望	低于周车速度略低于周车速度临近周车速度略高于周车速度高于周车速度	使用文献［21］中对驾驶人期望速度的类别划分方法。
	月驾驶天数	<5 6-10 11-15 16-20 >21	- - - - -		跟车距离期望	远距离跟车较远距离跟车中距离跟车较近距离跟车近距离跟车	设定方案参照文献［22］的不同车速下的期望间距值（表2）。
					舒适性期望	舒适型较舒适型普通型较不舒适不舒适	设定方案参照文献［23］的5.3章舒适性研究结果。

KMO取样适切性量数		0.919
Bartlett球形度检验	近似卡方	2 757.181
	自由度	91
	显著性	0

变量	Skewness	C.R.	Kurtosis	C.R.
制动反应时间（1）	-0.782	-6.505	-0.348	-1.447
制动反应时间（2）	-0.716	-5.957	-0.510	-2.122
制动反应时间（3）	-0.665	-5.531	-0.640	-2.662
驾龄	-0.796	-6.621	-0.346	-1.437
驾驶里程	-0.958	-7.968	-0.182	-0.755
驾驶频率	-0.880	-7.318	-0.273	-1.135
视力	-0.790	-6.569	-0.468	-1.947
年龄	-0.833	-6.926	-0.319	-1.327
速度期望	-0.638	-5.310	-0.821	-3.416
跟车距离期望	-0.635	-5.284	-0.691	-2.872
舒适性期望	-0.839	-6.981	-0.318	-1.322
行为负荷量	-0.790	-6.572	-0.333	-1.385
心理占用量	-0.946	-7.866	-0.121	-0.504
动作占用量	-0.794	-6.605	-0.321	-1.335
多元方差			30.306	14.584

拟合指数	合理标准	优秀标准	模型值	参数判断	是否达标
CMIN			98.249
CMIN/DF	<5	<3	1.445	优秀	是
GFI	>0.8	>0.9	0.967	优秀	是
AGFI	>0.8	>0.9	0.948	优秀	是
NFI	>0.8	>0.9	0.965	优秀	是
IFI	>0.8	>0.9	0.989	优秀	是
TLI	>0.8	>0.9	0.985	优秀	是
CFI	>0.8	<0.9	0.989	优秀	是
RMSEA	<0.08	<0.05	0.033	优秀	是

路径	非标准参数	S.E.	标准参数	C.R.	P
驾驶负荷→制动反应时间	0.432	0.082	0.403	5.287	***
驾驶经验→制动反应时间	0.221	0.057	0.218	3.879	***
期望→制动反应时间	0.174	0.051	0.177	3.39	***
生理属性→制动反应时间	0.408	0.073	0.380	5.552	***
驾驶负荷→行为负荷量	0.936	0.072	0.704	13.030	***
驾驶负荷→动作占用量	0.978	0.071	0.747	13.755	***
期望→舒适性期望	0.905	0.068	0.726	13.345	***
期望→速度期望	0.940	0.072	0.712	13.139	***
驾驶经验→驾龄	0.990	0.063	0.787	15.692	***
驾驶经验→驾驶里程	1.032	0.066	0.785	15.658	***
生理属性→视力	1.114	0.081	0.798	13.769	***
生理属性→年龄	1.000	-	0.751	-	-
驾驶负荷→心理占用量	1.000	-	0.733	-	-
期望→跟车距离期望	1.000	-	0.791	-	-
驾驶经验→驾驶频率	1.000	-	0.793	-	-
制动反应时间→ 制动反应时间（1）	1.020	0.058	0.807	17.575	***
制动反应时间→ 制动反应时间（2）	0.987	0.060	0.766	16.502	***
制动反应时间→ 制动反应时间（3）	1.000	-	0.778	-	-